公开(公告)号：CN118535915A

公开(公告)日：2024-08-23

申请号：CN202410524742.8

申请日：2024-04-29

Applicant: 北京航空航天大学 ,  机械工业仪器仪表综合技术经济研究所

Inventor： 陶来发 ,  刘海菲 ,  苏铉元 ,  靳凯新 ,  李商羽 ,  赵芹 ,  丁宇 ,  王成城 ,  吕琛

IPC: G06F18/214 ,  G06F18/2415 ,  G06F18/2433 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/09

Abstract: 本发明提供的一种基于贝叶斯超参数选择和数字孪生的设备故障诊断方法，以故障行为孪生模型生成的数据集为基础，通过分析系统关键设备暂态稳定性得出了能够描述物理信息的微分代数方程，将其与神经网络损失函数结合后，效果较理想地完成了PINN的构建，在400次训练后即达到10‑3量级的训练误差。根据结构优化试验选定了合理的孪生网络结构，基于贝叶斯方法自适应地估计了不同故障模式下的本征特征取值，故障诊断结果表明，诊断方法对于7种故障的诊断准确率达到了100％，证明了特征识别方法的有效性。

公开(公告)号：CN118535914A

公开(公告)日：2024-08-23

申请号：CN202410524741.3

申请日：2024-04-29

Applicant: 北京航空航天大学 ,  机械工业仪器仪表综合技术经济研究所

Inventor： 陶来发 ,  刘海菲 ,  苏铉元 ,  靳凯新 ,  李商羽 ,  赵芹 ,  丁宇 ,  王成城 ,  吕琛

IPC: G06F18/214 ,  G06F18/2433 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/09

Abstract: 本发明提供的一种基于数字孪生的供电系统关键设备故障诊断方法，首先根据专家知识和设计方案开展了供电系统关键设备建模，进行故障模式分析并建立故障行为孪生模型，实验结果证明了孪生建模方法的有效性，与预期结果适应效果较好。接着通过添加随机噪声较好地模拟了真实运行情况，成功实现了故障行为维度的孪生建模。本发明还以故障行为孪生模型生成的数据集为基础，通过分析系统关键设备暂态稳定性得出了能够描述物理信息的微分代数方程，将其与神经网络损失函数结合后，效果较理想地完成了PINN的构建，在400次训练后即达到10‑3量级的训练误差。

公开(公告)号：CN119167210B

公开(公告)日：2025-02-14

申请号：CN202411599369.9

申请日：2024-11-11

Applicant: 杭州市北京航空航天大学国际创新研究院(北京航空航天大学国际创新学院) ,  北京航空航天大学

Inventor： 陶来发 ,  李商羽 ,  连芷萱 ,  刘海菲 ,  靳凯新 ,  王超 ,  吕琛 ,  丁宇

IPC: G06F18/2415 ,  G06F18/214

Abstract: 一种小样本不确定性下贝叶斯元学习故障诊断泛化增强方法，属于数据处理技术领域。方法中，对于给定待诊断目标小样本，使用样本筛选器推断待诊断目标小样本是否为未知异常样本，若是未知异常样本，则结束推理；若不是未知异常样本，预测其置信度，判断置信度是否小于阈值，若小于阈值，则拒绝诊断，若大于或等于阈值，使用诊断模型根据样本推断样故障模式，并将其作为置信度不低于阈值的诊断结果输出。本发明基于不确定性度量的样本筛选器，解决分布外数据检测并提供拒绝诊断的基准，为轴承、齿轮箱、电机、电作动器等的故障诊断模型引入拒绝选项，使其能够合理的拒绝诊断当前的监测样本，增强元学习故障诊断模型的泛化能力。

公开(公告)号：CN119167210A

公开(公告)日：2024-12-20

申请号：CN202411599369.9

申请日：2024-11-11

Applicant: 杭州市北京航空航天大学国际创新研究院(北京航空航天大学国际创新学院) ,  北京航空航天大学

Inventor： 陶来发 ,  李商羽 ,  连芷萱 ,  刘海菲 ,  靳凯新 ,  王超 ,  吕琛 ,  丁宇

IPC: G06F18/2415 ,  G06F18/214

Abstract: 一种小样本不确定性下贝叶斯元学习故障诊断泛化增强方法，属于数据处理技术领域。方法中，对于给定待诊断目标小样本，使用样本筛选器推断待诊断目标小样本是否为未知异常样本，若是未知异常样本，则结束推理；若不是未知异常样本，预测其置信度，判断置信度是否小于阈值，若小于阈值，则拒绝诊断，若大于或等于阈值，使用诊断模型根据样本推断样故障模式，并将其作为置信度不低于阈值的诊断结果输出。本发明基于不确定性度量的样本筛选器，解决分布外数据检测并提供拒绝诊断的基准，为轴承、齿轮箱、电机、电作动器等的故障诊断模型引入拒绝选项，使其能够合理的拒绝诊断当前的监测样本，增强元学习故障诊断模型的泛化能力。

公开(公告)号：CN115903746A

公开(公告)日：2023-04-04

申请号：CN202211514037.7

申请日：2022-11-29

Applicant: 北京航空航天大学

Inventor： 陶来发 ,  赵芹 ,  靳凯新 ,  苏铉元 ,  宋登巍 ,  李商羽 ,  吕琛

IPC: G05B23/02 ,  G06N3/045 ,  G06N3/042 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084 ,  G06F18/2415 ,  G06F123/02

Abstract: 本发明公开了一种知识与孪生模型驱动的作动器关键故障注入与诊断方法，具体步骤如下：步骤一：作动器数据预处理；步骤二：基于LSTM的作动器深度观测器构建；步骤三：作动器深度观测器训练；步骤四：基于CNN的故障识别模型构建；步骤五：故障识别模型训练；步骤六：作动器故障诊断方法测试。本发明通过数字孪生模型进行作动器故障注入实验，获取支持故障诊断方法研究的数据，这种作动器故障注入方法具有灵活、快速的优势。本发明通过长短周期记忆网络及卷积神经网络的双级深度学习网络耦合，由孪生数据驱动基于长短周期记忆网络构建作动器深度观测器运行，无需任何先验知识即可估计出作动器在不同健康状态下目标参数的残差变化情况，进一步基于卷积神经网络实现作动器的故障诊断。